潘荣翠

[云南省科技成果转化服务中心，昆明　650051]

西南五省市城镇化影响因素分析
——基于动态面板数据GMM估计

潘荣翠

[云南省科技成果转化服务中心，昆明650051]

关键词：城镇化；影响因素；面板数据；GMM估计

收稿日期：2014-09-23

作者简介：潘荣翠，女，管理学博士，云南省科技成果转化服务中心副研究员。

中图分类号：F299.21

文献标识码：码：A

文章编号：号：1671-7511(2015)02-0097-06

摘要：城镇化与经济发展密切相关，两者相互影响、相互促进。本文以西南五省市为分析对象，采用1995-2012年的数据，以动态面板数据GMM估计为方法，分析了城镇化的影响因素。研究发现，首先城镇化进程受经济发展、产业结构、生活水平、城镇建设和制度政策等方面的共同影响；其次，非农业产业占比、劳动力与人均GDP对于城镇化建设具有推动作用，是当前西南地区城镇化发展的主要动力，但是城乡收入差距仍然存在，不利于西南地区城镇化发展。最后，教育对当前西南地区的城镇化率贡献较小。通过以上分析，为合理推进西南地区城镇化建设提出建议。

城镇化伴随工业化发展，是国家现代化的重要标志。西方国家的城镇化至今已有数百年的历史，而中国的城镇化发展晚，直到改革开放以后才进入快速发展阶段。城镇化水平是衡量一个国家经济发展水平与人民生活水平的重要因素，过去十年，我国城镇化通过扩大市场内需、加快非农产业发展等途径推动了经济的快速增长。2014年9月，李克强总理在推进新型城镇化建设试点工作座谈会上强调，新型城镇化是关系现代化全局的大战略，是最大的结构调整。新型城镇化贵在突出“新”字，要以着力解决好“三个1亿人”作为切入点。城镇化是推进新型工业化的重要载体，研究城镇化具有非常重要的理论及现实意义。本文主要研究城镇化的影响因素，分析推进城镇化进程中的内在机理，以西南五省市为研究对象，分析推进西南地区城镇化过程中的作用力。

一、文献综述

国外对城镇化的研究起步较早，1938年L.Wirth 就指出城镇化既包含农村人口向城镇集聚，同时也包含着从农村生活方式向城镇生活方式的转变。[1]1973年Hirsch 在其著作中声称，城镇化是以人口稀疏、空间分布均匀分散为特征的农村经济向具有对立特征的城市经济转化的一个过程。[2]Noetham选取了城镇人口占总人口比重(城镇化指标)作为衡量城镇化水平的指标，通过研究各个国家城镇化水平在时间序列数据上的变化，揭示了城镇化水平与发展阶段之间的一般规律。[3]中国城镇化的研究，大多在改革开放以后，Cindy.Fan认为，中国的制度对于城镇化的发展起着重要的作用。[4]Carolyn Cartier研究了深圳的城市化过程，认为外国直接投资的流入是城镇化发展的主要驱动力。[5]关于城镇化动力机制的研究方面，王小鲁和夏小林从劳动力、企业选址与资源约束三个方面分析了制约中国城镇化发展的因素。[6]褚素萍认为，城镇的动力机制由经济基础与组织制度等方面共同构成，即城镇化一般由拉力和推力两种力量组成，来自城镇的内在动力和来自农村的外部环境构成。[7]

近十年来，关对于城镇化的研究，一部分学者以影响城镇化的因素为切入点，如赵金华等人认为经济发展水平和非农就业水平比重对城镇化的影响比较大，其中外贸投资在城镇化的过程中作用比较大，如大部分的东部沿海城市即是如此。[8]吴江等人提出了城镇化是经济、人口转移、科技、教育、外部环境等因素之间相互作用的结果。[9]还有一些学者，从城镇化的影响出发，探讨了城镇化对城乡收入差距、就业等的影响。曹裕等人运用升级面板数据探究了城市化、收入差距与经济增长之间的关系，认为城市化缩小城乡收入差距的作用显著,城乡收入差距不利于经济增长,但这两种效应均具有显著的区域差异。[10]汪泓等人则研究了就业增长与城镇化水平的关系，城镇化在一定时期内对就业增长具有强力的推动作用，城镇化水平能够带动就业的增长，二者具有长期均衡关系。[11]通过以上的研究可知，对于中国城镇化的研究一般均以时间序列模型和面板数据模型进行静态分析，缺少空间区域差异的研究。本文以西南五省市为例，以动态面板数据GMM为估计方法，分析西南地区城镇化的空间差异。

二、指标选取与数据描述

为了更有效地分析西南地区城镇化的影响因素，本文从基本理论出发选取有代表性的因素分析西南地区城镇化进程中的差异。首先选取的变量是人均GDP。从城镇化的发展历程来看，人均GDP一直是一种推力，随着人们生活水平的提高，越来越多的人涌向城市，从而带动了城市化的发展。其次，非农业占比。非农业占比是除了农业，第二、第三产业占国内生产总值的比重，由相关文献可知，非农业占比是城镇化的一个积极的因素，能够带动城镇化的进程。从西方发达国家的历史经验可以看出，工业及第三产业极大地发展了城镇化建设。第三，城乡收入差距。这是一个负作用力量，随着收入差距的拉大，越来越不利于城镇化建设，由于城市人口收入高于非城市人口，越来越多的农村人口就会“反城市化”，社会收入的差距会阻碍一个地区城镇化的发展。第四，劳动力。这也是城镇化的一个积极因素。城镇化的初期阶段会需要大量的劳动力，因此劳动力可以促进城市化的发展。最后，本文选取的变量是教育，主要用每10万人口中受过高等教育的人口。教育是一个国家一个民族振兴的基础，同样也是城镇化发展的积极因素。所有变量的描述性统计如表1。

表1　相关变量的描述性统计

注：所有统计量保留两位小数。

其中变量urbanization代表城镇化，pgdp为人均GDP，Non-agricultural为非农业占比，labor为劳动力，difincome为城镇收入差距，education为教育。所有数据均来自于西南五省市的统计年鉴。样本的时间区间为1995-2012年，所以本文主要考察西南五省市在中国经济软着陆之后的城镇化影响因素。

三、计量模型与实证分析

(一)计量模型

动态面板数据模型一般将因变量的滞后项作为影响因素加入模型中，会导致自变量与随机干扰项相关，同时模型中的各个截面会存在相关性。因此，估计模型参数的传统最小二乘法会失效，产生有偏性与非一致性的后果，参数推断实际经济含义会扭曲。为此，Arellano 和Bond提出了解决此问题的方法，即广义矩法估计(GMM估计)。动态面板数据GMM估计如下：

(1)

其中，Yit是因变量，Xit是自变量，αi是各个自变量的参数，μi是个体效应，ξit是随机误差项。将式(1)进行差分，得到：

(2)

GMM估计的条件的是运用工具变量产生相应的矩条件，由式(2)知ΔYit-1与随机变量Δξit存在相关性，一般情况下，可以采用滞后二阶的变量作为工具变量以避免产生偏差。

本文采用的矩条件，如下：

(3)

方程(3)中zi为所选取的工具变量矩阵，由式(2)和式(3)，可以得到残差项，为:

(4)

为了得到参数αi，如果直接采用OLS估计，会得到有偏与不一致的统计量，而广义矩法估计可以解决问题，其基本想法是使样本矩之间的加权距离和最小，最后其极小化的目标函数如下：

f(α)′Hf(α)

(5)

其中H为权重矩阵并且是一个正定矩阵，只要使(5)式极小化，即可估计出参数。GMM估计的参数及方差如下：

(6)

HΛMZX][M′ZXHMZX]-1

(7)

(8)

参考吴超的硕士学位论文，[12]将城镇化率和人均GDP取对数后，最后西南五省市动态面板数据的计量模型为：

Lnurbanizationit=α0+α1Lnurbaniza tionit-1+

α2Lnpgdpit+α3Non-arg ricultural+α4labor+

α5difincome+α6education+ψi+ξit

(9)

(二)实证分析

1.单位根及协整检验

在进行模型分析之前，为了避免“伪回归”，必须对变量进行单位根及协整检验，本文选取LLC检验、IPS检验、ADF-FISHER检验对城镇化率、人均GDP、非农产业占比、劳动力、城乡收入差距、教育等六个指标进行检验。

从表2看,未进行差分时,城镇化率、城乡收入差距、人均GDP与教育均是非平稳的，而非农产业占比与劳动力两个变量在LLC检验下是平稳的，在IPS与ADF-Fisher检验下是平稳的。在进行面板数据平稳性检验时，要综合考虑各种单位根检验，即使出现个别统计量不显著的情况，但是只要多数统计量是显著的即可。所以，初步可以判断在水平状态下，六个变量均是不平稳的。在一阶差分的情况下，变量均是平稳的。其中城镇化率、非农业占比与城乡收入差距三种检验在1%的水平下显著，人均GDP与劳动力LLC检验在5%的水平下显著，教育的ADF-Fisher检验也在5%的水平下显著。综上，可以判断上述变量在一节差分的状况下平稳。由于这六个变量都是同阶平稳，所以可以进行协整检验。

变量之间的协整性检验的方法一般有异质面板的Pedroni检验、KAO检验、同质面板的DF和ADF协整检验以及约翰森-费歇尔协整检验。本文主要采用第一和第二种方法对上述五组变量进行协整检验，如表3。

表2　相关变量的单位根检验

注：括号内为相关统计量的p-value值。

表3　面板数据的协整检验

注:括号内为p-value值。

由表3可知，在不含时间效应的协整检验时，面板v统计量、面板ρ统计量、群ρ统计量不显著，而面板pp统计量、面板ADF检验、群pp统计量和群ADF统计量在5%的水平下显著；在含时间效应的协整检验时，除了面板v统计量与群ρ统计量不显著外，其余五个统计量均显著。最后，Kao-t统计量无论在不含时间效应还是含时间效应的情况都显著。综上，由上述的Pedroni检验、KAO检验，可以判断出城镇化率与人均GDP、非农业占比等六个变量之间存在长期的均衡关系，即存在协整关系，可以进行动态面板数据的GMM估计。

2.动态面板数据GMM估计

根据(一)节的计量模型，可以建立西南五省市城镇化率空间影响模型，为了更有效地分析不同变量对城镇化率的影响，本文依次序地将各个变量引入模型，以方便对比分析。具体模型之间的关系如下：

模型1：Lnurbanizationit=α0+α1Lnurbaniza tionit-1+α2Lnpgdpit+ψi+ξit

模型2：模型1+Non-agricultural +labor

模型3：模型2+difincome

模型4：模型3+education

其中，为城镇化率之后一阶变量作为解释变量，为非观测个体固体效应为随机误差项。所有统计结果均是由STATA 13.0运行给出，具体结果如表4。

表4　城镇化率影响因素的GMM估计

注：*，**，***分别表示变量在10%、5%、1%的水平下显著。括号内为t统计量，方括号内为P-value值。

由表4可知，模型1只考虑了城镇化率与人均GDP相关，可以发现，城镇化率的滞后项与人均GDP都显著，说明了人均GDP具有正向的作用，能够拉动一个地区的城镇化建设，同时城镇化的发展进程具有动态性，前一期的发展能够影响继后的发展进程。从检验统计量上看，系数联合显著性的Wald检验值为3672.46，远远大于临界值，拒绝解释变量系数为0的假设，说明模型1总体回归效果显著。Sargan检验(Sargan test of over-identifying restrictions),其原假设为所有工具变量都有效。参照(一)节的理论本文的工具变量均是采用相关变量的二阶滞后变量。模型1 Sargan检验的统计量为4.76，P值为0.471大于显著性水平，表明模型引入的工具变量是有效的。Arellano-Bond AR(2)是对扰动项差分二阶自相关的检验，GMM一致估计要求扰动项不存在自相关，但其一阶差分相关，二阶及以上差分不想过，即该统计量的原假设是扰动项差分不存在自相关。模型1的Arellano-Bond AR(2)统计量值为1.23，接受原假设，即认为模型的扰动项不存在二阶自相关。综上可知，模型1城镇化率的一个重要影响因素为人均GDP。

模型2在模型1的基础增加了非农业占比与劳动力两个变量，从解释变量的T检验上看，可知引入的变量均在显著，说明非农业占比与劳动力均是影响城镇化率非常重要的因素。从Wald统计量上看亦可以判断出模型的整体效果良好，由Sargan检验和Arellano-Bond AR(2)两个检验统计量可知满足动态面板数据基本假设。模型3与模型4增加的变量均显著，同时满足GMM估计的基本假设，即模型的估计的结果是稳健的。

从影响弹性上看，模型1中人均GDP对城镇化率的影响弹性为0.344，说明了人均GDP每增加1%，城镇化率也相应增加0.344%。模型2的人均GDP的影响弹性为0.328，模型3与模型4的影响弹性分别为0.563与0.482。随着模型变量的增加人均GDP对城镇化率的影响趋于明显，模型1中人均GDP虽然显著，但是其对城镇化率的影响明显被缩小了，而模型3却放大了其贡献率，所以随着变量增加，模型变得越来越合理。由模型3和模型4，可知城乡收入差距这一变量的系数为负分别为-0.043和-0.04，说明了城乡收入差距的拉大会影响城镇化的建设，这与理论分析吻合。教育变量的系数为0.0007，其弹性比较小，说明了教育对西南五省市城镇化的影响比较小。西南地区是一个教育比较落后的地区，从理论上看教育对城镇化的贡献比较小，所以实证结果符合事实。

比较这四个模型，可以发现模型4比较全面地反映了西南五省城镇化建设的影响因素。与前三个模型相比较，不仅模型的回归效果比较显著，同时相关变量的贡献率比较合理，比较客观，没有被过高估计与过低估计。所以最后选择模型4作为西南地区城镇化影响因素的统计模型是合理的。最后，由动态面板数据的GMM估计，可知西南地区城镇化建设的最大的推动力是非农业占比，其次是人均GDP；当前城乡收入差距对于城镇化建设具有阻力，同时教育的作用微乎其微。

四、结论

本文选取了西南五省市为研究对象，采用1995-2012年的数据，运用动态面板数据GMM估计为方法，综合分析了西南地区影响城镇化建设的因素。第一，动态面板数据模型较为合理，能够反映当前我国西南地区城镇化建设。城镇化进程推进受经济发展、产业结构、生活水平、城镇建设和制度政策等方面的共同影响；其次，非农业占比、劳动力与人均GDP对于城镇化建设具有推动作用，是当前西南地区城镇化发展的主要力量，但是城乡收入差距仍然存在，其具有阻碍作用，不利于西南地区城镇化发展。再次，教育对当前西南地区的城镇化率贡献较小。

为了进一步推进西南地区城镇化建设，首先应该加强教育建设，加大教育投入，特别是要加强对农村基础教育的投入，从而提高低收入人群受教育的机会和条件，实现教育均等化，缩小城乡之间的教育差距。其次，从城乡教育来说，加大农村教育投入的力度，努力缩小城乡之间的差距，提高低收入群体受教育水平也是控制收入分配差距的重要方面。最后，西南地区推进城镇化时，应与本地区实际情况相结合，适时合理地推进。

参考文献：

[1]L.Wirth. Urbanism as a Way of Life[J].American journal of sociology,1938.

[2] W.Z.Hirsch .Urban economic analysis[M].New York:McGraw-Hill,1973.

[3] R.M.Northam.Urban geography[M].New York:Wiley,1975.

[4] C.Fan.The vertical and horizontal expansions of China's city system[J].Urban Geography,1999,(6).

[5]C.Cartier.Transnational urbanism in the reform-era Chinese city: Landscapes from Shenzhen[J].Urban Studies, 2002，(9).

[6]夏小林，王小鲁.中国的城市化进程分析一兼评“城市化方针”[J].改革，2000,(2).

[7]褚素萍.我国农村城镇化发展及其动力机制分析[J].农业经济,2005,(5).

[8]赵金华，曹广忠，王志宝.我国省(区)人口城镇化水平与速度的类型特征及影响因素[J].城市发展研究，2009,(9).

[9]吴江，申丽娟.重庆新型城镇化路径选择影响因素的实证分析[J].西南大学学报(社会科学版)，2012,(2).

[10]曹裕, 陈晓红, 马跃如. 城市化, 城乡收入差距与经济增长[J].统计研究, 2010, (3).

[11]汪泓, 崔开昌. 中国就业增长与城镇化水平关系的实证研究[J].南京社会科学, 2012 ,(8).

[12]吴超. 城镇化影响因素及发展路径研究——以浙江省为对象[D].浙江工业大学，2013.

■责任编辑/张瑞臣